Pembelajaran Berbasis Masalah

Terjemahan mesin otomatis halaman berbahasa Inggris ini, yang belum ditinjau oleh penutur asli.

Pembelajaran berbasis masalah (PBL) — pedagogi yang berpusat pada siswa tempat siswa memperoleh pengetahuan dan keterampilan dengan berupaya memahami dan menyelesaikan sebuah masalah yang realistis dan sering kali berstruktur buruk, dengan seorang fasilitator yang memandu inkuiri alih-alih menyampaikan pengajaran. Di era AI, ciri-ciri struktural PBL — inkuiri yang digerakkan oleh masalah, konstruksi pengetahuan kolaboratif, fasilitasi alih-alih pengajaran, dan refleksi metakognitif — telah muncul sebagai kondisi yang sama di mana integrasi AI generatif menjadi produktif secara edukatif alih-alih substitutif.

Pertanyaan yang Perlu Dipertimbangkan

Dalam pembelajaran berbasis masalah, masalah adalah penggerak kurikulum—bukan ilustrasi dari konten yang diajarkan di tempat lain. Dapatkah Anda mengingat suatu saat ketika Anda mempelajari sesuatu secara mendalam karena Anda lebih dulu memecahkan masalah nyata?
Halaman ini berargumen bahwa ciri-ciri PBL (inkuiri yang digerakkan masalah, kolaborasi, fasilitasi, refleksi) justru merupakan kondisi di mana AI menjadi mitra yang produktif alih-alih jalan pintas. Mengapa demikian?
AI memutus kaitan antara artefak yang dikumpulkan dan usaha yang menghasilkannya—masalah 'artefak-sebagai-proksi'. Bagaimana menilai proses alih-alih hanya produk dapat membantu, dan apa yang membuat penilaian proses Penilaian sulit?
PBL berawal dari pendidikan kedokteran sebagian karena kompetensi profesional menuntut pertimbangan adaptif, bukan eksekusi rutin. Apa perbedaan keduanya, dan bagaimana AI mengubah yang mana yang kita latih?
Jika AI kini dapat membuat 'masalah jahat' dan kasus dunia nyata yang kompleks dapat diakses oleh lebih banyak siswa, apa yang mungkin hilang ketika tantangan menjadi lebih mudah dijangkau?
Di mana AI dalam lingkungan PBL harus menarik garis antara memberikan masalah, petunjuk, atau jawaban? Apa yang menentukan mana yang merupakan langkah tepat pada setiap saat?

Pendahuluan

PBL berawal dari pendidikan kedokteran (McMaster University, 1960-an) dan sejak itu menyebar ke profesi kesehatan, teknik, dan K-12. Siswa mengambil tanggung jawab untuk mendiagnosis kebutuhan belajar, mengidentifikasi sumber daya, dan mengonstruksi solusi, sementara fasilitator merancah prosesnya. Klaim khas PBL adalah bahwa masalah merupakan penggerak kurikulum — bukan ilustrasi dari konten yang diajarkan di tempat lain, melainkan konteks tempat konten dipelajari.

Ng'ambi dan van der Merwe (2026) memberikan perbandingan langsung: sepuluh obrolan berbasis masalah mempertahankan dialog dan mencapai penjelasan yang lebih mendalam, sementara tiga puluh obrolan prosedural terstruktur runtuh menjadi tanya-jawab-terima kasih lalu berakhir.

PBL di era AI

Penelitian dalam basis pengetahuan ini menunjukkan bahwa PBL telah menjadi titik fokus bagi pemikiran tentang integrasi AI yang produktif.

Kondisi struktural PBL membuat integrasi AI produktif. Rowe (2026) berargumen bahwa ciri-ciri inti PBL — inkuiri yang digerakkan masalah, konstruksi kolaboratif, fasilitasi, refleksi metakognitif — justru merupakan kondisi di mana AI berfungsi sebagai mitra dalam pengembangan profesional alih-alih jalan pintas yang menghindarinya. Keselarasan itu bersifat struktural, bukan retrospektif: PBL dirancang di sekitar kondisi-kondisi ini sebelum AI ada, berakar pada pengakuan bahwa kompetensi profesional menuntut pertimbangan adaptif alih-alih eksekusi rutin.
AI menaikkan batas atas kompleksitas masalah. Argumen yang sama menyatakan bahwa AI memperluas kategori masalah apa yang dapat dijangkau PBL, membuat "masalah jahat" dan kasus dunia nyata yang kompleks dapat diakses oleh siswa yang sebelumnya tidak dapat menjangkaunya.
Masalah artefak-sebagai-proksi. AI memutus kaitan antara artefak yang dikumpulkan dan keterlibatan yang menghasilkannya — masalah yang posisinya tepat bagi PBL untuk ditangani karena PBL menilai proses dan pemahaman yang ditunjukkan, bukan hanya produk. Ini menghubungkan PBL dengan penilaian autentik dan berbasis proses serta dengan literatur ketergantungan berlebih dalam basis pengetahuan ini.

Meta-analisis tiga tingkat yang menggabungkan PBL yang didukung GenAI dengan pembelajaran berbasis proyek menempatkan kinerja produk dan solusi dalam model terpisah justru karena ia mengukur keluaran kolaboratif manusia-AI alih-alih pembelajaran yang terinternalisasi, dan estimasi itu adalah yang terbesar yang dilaporkan para peninjau (g = 1.958) meskipun hanya bertumpu pada enam studi dan membawa interval prediksi 95% perkiraan sebesar [−0.740, 4.656] yang melewati nol — bentuk kuantitatif dari peringatan artefak-sebagai-proksi di atas (Chen dkk. 2026).

ChatGPT sebagai perancah adaptif. La Sunra dkk. (2026) menunjukkan ChatGPT yang diintegrasikan sebagai perancah adaptif dalam kerangka PBL yang diperkaya AI untuk meningkatkan berpikir kritis dan pembelajaran yang dipersonalisasi di K-12 (120 siswa kelas delapan). Ini memperlakukan AI sebagai dukungan di dalam PBL alih-alih mesin jawaban.
Agen yang menyuntikkan kontroversi dapat melawan pemikiran kelompok. Agen genAI yang disuarakan pada tiga titik dalam sesi PBL interprofesional memperkenalkan perspektif kontroversial, dan siswa melaporkan bahwa membantahnya memberi mereka cara yang dapat diterima secara sosial untuk bersuara, dengan ketidaksepakatan itu merangsang refleksi bahkan ketika mereka menolak respons agen (Wiss dkk. (2025)).
Bukti kuasi-eksperimental dari persiapan guru prajabatan. Chen dan Osman (2026) membandingkan modul CTD-PBL yang didukung AI selama delapan minggu dengan pengajaran konvensional pada 130 guru fisika prajabatan tahun ketiga (65 per kondisi), dengan DeepSeek digunakan melalui templat prompt khusus tugas sebagai perancah terbatas — pembuatan ide pelajaran, pengorganisasian sumber daya, perbandingan penjelasan, prompt umpan balik sejawat, dan perencanaan revisi — dan setiap keluaran AI diharuskan lolos verifikasi terhadap akurasi konten, kelayakan pedagogis, kelayakan pelaksanaan, dan etika sebelum masuk ke artefak instruksional. Kelompok modul melaporkan TPACK pascates yang lebih tinggi (M = 4.04 vs. 3.40, d = 1.02) dan pemecahan masalah kolaboratif yang dipersepsikan lebih tinggi (M = 3.62 vs. 3.05, d = 0.88), dan efek interaksi terbesar jatuh pada pembangunan pengetahuan bersama dan regulasi sosial — justru dimensi proses kolaboratif yang diprediksi argumen struktural di atas akan diperkuat AI alih-alih dipintas. Para penulis menegaskan bahwa AI tidak diisolasi sebagai variabel independen: perubahan diferensial melekat pada keseluruhan kondisi tugas berbasis masalah, kolaborasi terstruktur, perancahan instruktur, umpan balik sejawat, dan revisi reflektif, dan kedua hasil merupakan persepsi laporan diri alih-alih praktik yang diamati.
Kerangka penggunaan yang bertanggung jawab. Uden & Hwang (2026) mengajukan kerangka LEARN yang berlandaskan neurosains (Lifelong Learning, Keterlibatan, Pemrosesan Aktif, Refleksi, Desain Berbasis Neuro) untuk mendasari penggunaan AI generatif secara etis di dalam PBL, melawan pelepasan kognitif dan erosi integritas.
Implementasi domain. Kerangka PBL untuk teknik biomedis menggunakan GenAI untuk peringkasan dan dukungan pengodean dengan paket replikasi (Nnamdi dkk. 2026); PBL yang didukung AI meningkatkan berpikir komputasional dalam robotika (PBL yang didukung AI untuk berpikir komputasional); dan pasien virtual yang dimungkinkan genAI mendukung tutorial pengambilan riwayat medis (Mool dkk. 2026).
Sintesis bukti. Amdan dkk. (2026) meninjau secara sistematis 50 studi (2015–2024) tentang keterlibatan pendidik dengan AI dalam PBL di dalam kerangka interaksi manusia-komputer.
GenAI dalam PBL berbasis skenario. Neto dan rekan (2026) memasukkan pembelajaran berbasis masalah di antara pendekatan berbasis skenario dalam tinjauan sistematis mereka tentang GenAI dalam pendidikan kesehatan, dan menemukan bahwa desain prompt berfungsi sebagai spesifikasi instruksional dan bahwa kolaborasi hibrida manusia-AI mengungguli pendekatan yang sepenuhnya otomatis. Tinjauan itu menyoroti kebutuhan akan keselarasan yang lebih kuat antara konten yang dihasilkan dan kerangka instruksional serta praktik pemberian prompt yang lebih dapat direproduksi dalam konteks PBL.
AI dapat membawa penyampaian pengetahuan tutor tetapi tidak regulasi sosial pembelajaran kelompok. Dalam kuasi-eksperimen farmakologi selama empat minggu, Shetty & Rao (2026) menemukan bahwa PBL yang dimediasi AI menyamai perolehan akademik yang dipimpin fasilitator (p antarkelompok = 0.474), sementara kelompok yang dipimpin fasilitator mempertahankan keunggulan dalam dinamika kelompok (26.51 vs 24.74, p = 0.035) dan berpikir kritis (14.75 vs 13.09, p < 0.001).

PBL vs. pedagogi terkait

PBL berkaitan erat dengan pembelajaran berbasis proyek — keduanya berpusat pada siswa dan digerakkan oleh masalah/konteks — tetapi PBL berpusat pada masalah berstruktur buruk yang solusinya menuntut inkuiri dan konstruksi pengetahuan, sedangkan pembelajaran berbasis proyek berpusat pada menghasilkan artefak atau proyek yang berwujud. PBL juga bersaudara dengan pembelajaran berbasis kasus dan pembelajaran berbasis inkuiri, yang berbagi struktur yang digerakkan masalah dan dipimpin fasilitasi. Dalam pemetaan basis pengetahuan ini, argumen struktural untuk integrasi AI yang produktif berlaku bagi pedagogi apa pun yang berbagi ciri-ciri tersebut, bukan hanya PBL.

Mengapa PBL penting bagi integrasi AI

Karena PBL mengedepankan proses, kolaborasi, dan pemahaman yang ditunjukkan di atas produksi artefak, PBL merupakan rumah alami bagi penggunaan AI yang bertanggung jawab: siswa belajar bersama AI sebagai mitra alih-alih dari AI sebagai pengganti. Peran fasilitator dan desain masalah menjadi tuas yang menentukan apakah AI mendukung pembelajaran atau menggesernya — kekhawatiran pengawasan manusia dan desain penilaian yang sama yang berulang di seluruh basis pengetahuan ini.

Kegagalan produktif dan PBL

Kegagalan produktif (PF) berbagi inti konstruktivis PBL — siswa bergulat dengan masalah sebelum pengajaran — tetapi berbeda dalam struktur: PF sengaja menahan pengajaran dan perancahan sampai setelah siswa berjuang menghasilkan solusi, sedangkan PBL menyematkan fasilitasi sepanjang proses. Literatur PF di era AI secara langsung menginformasikan bagaimana AI harus berperilaku di dalam lingkungan berbasis masalah: Kim dkk. (2026) menunjukkan AI harus mempertahankan pergulatan produktif dengan dukungan non-direktif di seluruh fase PF; Puech dkk. (2025) mendemonstrasikan bahwa tutor cerdas dapat diarahkan untuk menahan jawaban dan memancing berbagai upaya solusi; dan ProductiveMath menggunakan AI untuk membantu merancang masalah bergaya PF/PBL yang berkualitas tinggi. Pertanyaan desain — kapan AI harus memberikan masalah, petunjuk, atau jawaban — dibagi oleh kedua pedagogi tersebut.

Miskonsepsi Umum

"Hasil PBL harus digabungkan dengan hasil pembelajaran berbasis proyek." Meta-analisis tiga tingkat menempatkan kinerja produk dan solusi dalam model terpisah justru karena ia mengukur kolaborasi manusia-AI alih-alih penalaran siswa sendiri. Menggabungkannya berarti mengatribusikan artefak yang dihasilkan bersama kepada siswa.
"Perolehan kolaboratif hanyalah efek samping penggunaan AI." Sebuah studi menemukan pemecahan masalah kolaboratif yang dipersepsikan lebih tinggi (M = 3.62 vs. 3.05, d = 0.88) dan pemecahan masalah bersama (3.40, d = 1.02), dengan efek interaksi terbesar pada pembangunan pengetahuan bersama dan regulasi sosial — dimensi proses kolaboratif yang diprediksi oleh desain. Mekanismenya adalah kolaborasi terstruktur, bukan alatnya.
"PBL dengan AI terutama menghemat waktu fasilitator." Perolehan yang terukur terletak pada kualitas proses pada dimensi yang hanya ada ketika struktur kelompok dirancang untuknya. Implementasi PBL yang menambahkan AI tanpa menstrukturkan pembangunan pengetahuan bersama tidak semestinya mengharapkan efek yang sama.

Konsep terkait

Pembelajaran Berbasis Proyek
Pembelajaran Aktif
Pembelajaran Kolaboratif
Perancah
Berpikir Kritis
Metakognisi
Offloading Kognitif
Penilaian Autentik
AI Generatif
Literasi AI
Pendidikan Kedokteran dan Profesi Kesehatan
Pendidikan Teknik
Pendidikan Tinggi
Kegagalan Produktif — Kegagalan Produktif

Metadata

Disiplin	Medical Education, Engineering Education
Tingkat	Higher Ed
Pembelajaran dan pengajaran	Pembelajaran Aktif, Pembelajaran Kolaboratif, Perancah
Teknologi dan teknik	AI Generatif
Dasar-dasar AI dalam pendidikan	Berpikir Kritis

Sumber Riwayat Sunting Obrolan